برای مقابله با سیل و آتش‌سوزی از گوگل و خدمات وب آمازون استفاده کنید

گوگل و خدمات وب‌آمازون از قدرت یادگیری ماشینی برای پیش‌بینی سیل و آتش‌سوزی استفاده می‌کنند.

امروزه گوگل و خدمات وب آمازون ( AWS ) عملیاتی که تا کنون درباره مدل‌های یادگیری ماشینی ( ML ) انجام داده‌اند را برجسته کرده‌اند.
این مدل‌ها می‌توانند در نهایت به کشورها برای مقابله با بحران‌های زیست محیطی که در سرتاسر جهان اتفاق می‌افتند، کمک می‌کنند.
با توجه به گزارشات به‌دست آمده، این شرکت‌ها درباره تلاش‌های خود برای مقابله با اثرات تغییرات آب‌وهوایی مانند سیل و آتش‌سوزی‌های جنگلی، هم‌زمان با پایان کنفرانس تغییرات آب‌وهوایی سازمان ملل متحد در بریتانیا 2021 در این هفته، توضیحاتی ارائه کردند.

سیل

گوگل مقاله‌ای درباره سیستم پیش‌بینی سیل خود با مدل‌های یادگیری ماشینی انتشار داده است. ادعا می‌شود فناوری این شرکت می‌تواند هشدارهای دقیق سیل را در لحظه به اورژانس‌ها و عموم مردم ارسال کند.
این مقاله توسط محققان Google Research و دانشگاه عبری اورشلیم در اسرائیل نوشته شده است.
فناوری پیش‌بینی سیل گوگل در سال 2018 راه‌اندازی شد، هشدارهایی را به گوشی‌های هوشمند مردم در مناطق سیل‌زده ارسال می‌کند.
این قسمتی از برنامه واکنش بحران گوگل است که با کارکنان اورژانس و مراکز ضروری برای توسعه فناوری کار می‌کند.
از سال 2018، این برنامه گسترش یافته و بخش اعظمی از هند و بنگلادش را در برگرفته و جمعیت 220 میلیون نفر را پوشش می‌دهد.

از فصل باران‌های موسمی 2021، پوشش برنامه مذکور گسترش یافته و منطقه‌ای را در بر می‌گیرد که حدود 360 میلیون نفر در آن زندگی می‌کنند.
یوسی ماتیاس ( معاون مهندسی گوگل و مسئول مدیریت شرایط بحرانی ) در یکی از پست‌های وبلاگی خود اعلام کرد: به لطف فناوری بهتر پیش‌بینی سیل، ما بیش‌ از ۱۱۵ میلیون هشدار ارسال کردیم؛ این تقریبا سه برابر مقداری است که پیش‌تر ارسال شده بود.
هشدارهای گوگل فقط نشان نمی‌دهد که رودخانه‌ای چند سانتی‌متر بالا آمده است. با توجه به مدل‌های یادگیری ماشینی جدید که از شبکه‌های عصبی عمیق حافظه کوتاه‌ مدت استفاده می‌کنند، امروزه این سیستم می‌تواند ( نقشه‌های غرقاب ) را ارائه کند که میزان و عمق سیل را به صورت لایه‌ای در نقشه‌های گوگل نشان می‌دهد.

محققان بر این باور هستند که مدل‌های LSTM بهتر از مدل‌های مفهومی که برای داده‌های طولانی مدتی کالیبره شده بودند، عمل کرده‌اند.
همچنین در ادامه بیان کردند: درحالی‌که مطالعات قبلی نتایج دلگرم‌کننده‌ای ارائه می‌کردند، به ندرت می‌توان سیستم‌های عملیاتی واقعی که از مدل‌های یادگیری ماشینی به عنوان اجزای اصلی خود استفاده می‌کردند یافت که قادر به محاسبه هشدارهای سیل به‌موقع و دقیق باشند.

آتش‌سوزی

با توجه به تمام تلاش‎ها، خدمات وب‌آمازون نیز با AusNet، یک شرکت انرژی که در ملبون استرالیا مستقر شده، برای کمک به کاهش آتش‌سوزی‌های جنگلی در منطقه همکاری می‌کند.
AusNet دارای 54 هزار کیلومتر خطوط برق است که انرژی را میان حدود 1.5 میلیون خانه و کسب‌وکار در ویکتوریا توزیع می‌کند.
احتمالا 62 درصد از شبکه مذکور در مناطق با خطر آتش‌سوزی بالا قرار دارند. AusNet از ماشین‌های مجهز به دوربین‌های لایدار ( به سبک گوگل‌مپس ) و یادگیری ماشین آمازون SageMaker برای ترسیم مناطقی که دارای پوشش گیاهی هستند استفاده می‌کند که این کار برای جلوگیری از آتش‌سوزی جنگلی و اعمال اصطلاحات لازم صورت می‌گیرد.

سیستم قبلی که برپایه‌ی GIS ( سیستم اطلاعات جغرافیایی ) متکی بود و از ابزارهای سفارشی برای برچسب‌گذاری نقاط لایدار استفاده می‌کرد.
AusNet با خدمات وب آمازون کار می‌کند تا مراحل کار خود را با استفاده از مدل‌های یادگیری عمیق AWS، اتوماتیک کرده و سرعت ببخشد.
AusNet و AWS یک مدل تقسیم‌بندی معنایی ساخته‌اند که به‌صورت دقیق داده‌های نقطه‌ای سه‌بعدی مربوط به هادی‌ها، ساختمان‌ها، قطب‌ها، پوشش‌های گیاهی و ... طبقه‌بندی می‌کند.

دانیل پندلبری ( مدیر محصول AusNet ) بیان کرد: قابلیت برچسب‌گذاری سریع و دقیق داده‌ها، قسمت مهمی از فرآیند به حداقل رساندن خطر آتش‌سوزی‌های جنگلی است.
هنگام کار کردن با Amazon Machine Learning Solutions Lab موفق به تولید مدلی شدیم که می‌تواند با دقت متوسط ۸۰٫۵۳ درصد موارد مختلف را برچسب‌گذاری کند. انتظار می‌رود با این روش جدید بتوان نیاز به برچسب‌گذاری دستی را تا ۸۰ درصد کاهش داد.

محدثه خلیلیان